Происхождение частиц и газовых примесей, вовлечённых в быстро меняющийся полярный климат, остаётся неясным, что ограничивает надёжность климатических моделей. Это особенно касается частиц, вовлечённых во взаимодействие аэрозоля и облаков с полярными облаками. Поскольку подробные измерения химического следа сложны и дороги в полярных регионах, для определения источников наблюдаемых атмосферных соединений часто используется обратное моделирование. Однако точность этих методов не очень хорошо количественно определена. В этом исследовании представлена ​​оценка результатов анализа путём объединения обратных траекторий из модели FLEXible PARTicle (FLEXPART) с использованием трассеров из модели Weather Research and Forecast, включая химию (WRF-Chem). Знание точных смоделированных источников выбросов трассеров в WRF-Chem позволяет достоверно количественно оценить точность обнаружения источника. Результаты показывают, что прямая интерпретация выходных данных обратной модели или более продвинутые анализы, такие как функции потенциального вклада источника (potential source contribution functions, PSCF), часто ненадёжны при определении источников выбросов. После изучения чувствительности параметров благодаря применённой структуре моделирования был представлен обновлённый и строго оценённый результат анализа обратного моделирования для отслеживания происхождения атмосферных видов из данных измерений. Два теста этого улучшенного исследования на фактических данных аэрозолей из арктических кампаний демонстрируют его способность правильно определять известные источники метансульфоновой кислоты и чёрного углерода. Представленные результаты показывают, что традиционные методы обратной траектории часто неправильно определяют регионы источников выбросов. Поэтому рекомендуется использовать описанный здесь метод для будущих усилий по отслеживанию происхождения измеренных атмосферных частиц и газовых примесей.

Ссылка: https://acp.copernicus.org/articles/25/5331/2025/

Урбанизация ускоряется, более 55% населения мира проживает в городских районах по состоянию на 2018 год, а к 2030 году, по прогнозам, достигнет 60%. Этот рост усиливает давление на окружающую среду, в частности, ухудшение качества воздуха, что отрицательно влияет на здоровье человека и социально-экономические системы. Среди загрязнителей воздуха атмосферная минеральная пыль играет важнейшую роль в климатической системе Земли и представляет прямые риски для здоровья. В этом исследовании оценивается массовая концентрация атмосферной пыли в планетарном пограничном слое — атмосферной области, где происходит большая часть антропогенной деятельности — в крупных городах и мегаполисах мира (население >5 миллионов). Используя климатические данные LIDAR Climatology of Vertical Aerosol Structure (LIVAS) Европейского космического агентства, которые предлагают многолетние четырёхмерные данные о концентрации пыли на основе наблюдений за Землёй, авторы анализируют как мелкодисперсные, так и крупнодисперсные компоненты пыли. Результаты показывают, что текущие уровни пыли превышают среднегодовые рекомендации Всемирной организации здравоохранения по качеству воздуха для PM_2.5 и PM₁₀ в 49,4% и 87,7% исследованных городских районов соответственно, подвергая около 701,4 миллиона человек воздействию опасных концентраций пыли. К особенно пострадавшим регионам относятся Ближний Восток, Индийский субконтинент, Восточная Азия, Северная Африка и Сахель. Прогнозы указывают на 21,7%-ное увеличение подверженного воздействию населения к 2030 году, что составит в общей сложности 856,5 миллиона человек, несмотря на общее снижение серьёзности воздействия пыли в более чем 70% городов. Эпидемиологические модели используются для оценки связанных рисков для здоровья. Эта работа даёт важные сведения для управления качеством воздуха на основе фактических данных и стратегий общественного здравоохранения, поддерживая усилия по смягчению последствий антропогенного воздействия на климат в условиях расширения городов.

Ссылка: https://egusphere.copernicus.org/preprints/2025/egusphere-2025-1841/

Это исследование объединяет анализ данных о температуре поверхности с природными и антропогенными факторами, тесно связанными с городской тепловой средой в Нанкине с 2000 по 2020 гг., рассматривая характеристики пространственно-временных изменений эффекта городского острова тепла и интерактивные связи между его факторами влияния. Результаты исследования следующие: (1) В период с 2000 по 2020 гг. эффект городского острова тепла в Нанкине демонстрировал тенденцию к расширению, распространяющуюся от центра города к периферии, при этом явление острова тепла в основном концентрировалось в старых городских районах, характеризующихся развитой торговлей, промышленностью и плотным населением. Температура поверхности постепенно снижалась от центра города к пригородам, образуя отчётливый градиент пространственного распределения. Как эллипс стандартного отклонения, так и центроид высокотемпературных областей показали смещение на юг. (2) Значительные различия в температурах поверхности наблюдались в разных типах землепользования, при этом застроенные территории и пахотные земли поддерживали относительно стабильную и более высокую температуру поверхности, в то время как водоёмы и леса демонстрировали более низкую и стабильную температуру поверхности. (3) Растительный покров, нормализованный индекс водоёма, высота, дисперсия и индекс разнообразия Шеннона отрицательно коррелировали с температурой поверхности, в то время как нормализованный индекс разницы голых земель, индекс застройки, индекс дисперсии и индекс сплочённости участков положительно коррелировали с температурой поверхности. В Нанкине было обнаружено, что интерактивные эффекты двойных факторов на эффект городского острова тепла больше, чем эффекты отдельных факторов, при этом растительный покров был определён как наиболее критический фактор, влияющий на температуру поверхности. Совместный учёт многомерных факторов улучшает понимание пространственных закономерностей и причин эффекта городского острова тепла, проясняет взаимосвязи и степени влияния между природными, социально-экономическими и ландшафтными факторами и обеспечивает научную основу для улучшения качества среды обитания в Нанкине.

Ссылка: https://www.mdpi.com/2072-4292/17/11/1837

Эмуляторы искусственного интеллекта для прогнозирования стали мощными инструментами, которые могут превзойти обычные числовые прогнозы. Следующим рубежом является создание эмуляторов для длительных климатических расчётов в диапазоне пространственно-временных масштабов, что особенно важно для океана. Эта работа создаёт искусный глобальный эмулятор океанического компонента современной климатической модели. Авторы эмулируют ключевые океанические переменные, высоту поверхности моря, горизонтальные скорости, температуру и солёность по всей их глубине. Используется модифицированная архитектура ConvNeXt UNet, обученная на многоглубинных уровнях океанических данных. Было показано, что эмулятор океана — Samudra — не демонстрирующий дрейф относительно истины, может воспроизводить глубинную структуру океанических переменных и их межгодовую изменчивость. Samudra стабилен на протяжении столетий и в 150 раз быстрее исходной модели океана. Samudra изо всех сил пытается уловить правильную величину вынуждающих тенденций и одновременно оставаться стабильным, что требует дальнейшей работы.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024GL114318

Синоптики надеются, что новые алгоритмы позволят раньше предупреждать о приближении опасной погоды.

Алгоритмы искусственного интеллекта (ИИ) могут производить прогнозы погоды быстрее, чем традиционные алгоритмы, используя малую часть вычислительных затрат. Но поскольку обучение ИИ требует больших объёмов данных, до сих пор он был наиболее успешным в создании прогнозов глобального масштаба. До недавнего времени исследователям не хватало данных, необходимых для обучения алгоритмов прогнозированию мелкомасштабных погодных условий, таких как грозы.

Флора и Потвин (Flora and Potvin) расширили прогнозирование погоды на основе ИИ до событий масштаба гроз, обучив нейронную сеть Google GraphCast на данных из системы Warn-on-Forecast NOAA. Исследовательский проект Warn-on-Forecast генерирует прогнозы с высоким разрешением для областей, где вероятны экстремальные погодные условия, с целью выпуска более ранних предупреждений о торнадо, сильных грозах и внезапных наводнениях.

Модель ИИ, названная WoFSCast, изучила динамику ключевых характеристик гроз, включая восходящие потоки, которые подпитывают штормы термодинамической энергией, и холодные воздушные карманы, которые образуются под штормами и влияют на то, как штормы движутся и растут.

Модель дала в основном точные прогнозы того, как будут развиваться штормы в течение двух часов; эти прогнозы совпали на 70–80% с прогнозами, сгенерированными системой Warn-on-Forecast. Процесс генерации прогноза занял всего 30–40 секунд с использованием одного графического процессора. Это как минимум в 10 раз быстрее, чем использование текущей системы Warn-on-Forecast для генерации прогнозов без ИИ.

Исследователи предполагают, что с дополнительными данными для обучения WoFSCast может стать ещё более универсальным, например, предсказывая поверхностные ветры и осадки в тропических циклонах, выходящих на сушу, а также то, как будут распространяться лесные пожары. Используя систему, усовершенствованную с помощью ИИ, Национальная метеорологическая служба сможет быстрее выпускать предупреждения о суровых погодных условиях и уменьшать вред, наносимый этими экстремальными явлениями.
(Geophysical Research Letters, https://doi.org/10.1029/2024GL112383, 2025)

Ссылка: https://eos.org/research-spotlights/storm-prediction-gets-10-times-faster-thanks-to-ai

Точная оценка антропогенных выбросов CO₂ имеет решающее значение для эффективной политики смягчения антропогенного воздействия на климат. Целью данного исследования является улучшение оценок выбросов CO₂ в Китае с использованием измерений дистанционным зондированием усреднённых по столбу молярных долей CO₂ в сухом воздухе (XCO₂) и подхода нейронной сети. Авторы оценили аномалии XCO₂, полученные с помощью трёх подходов к фоновой концентрации XCO₂: CHN (национальная медиана), LAT (10-градусная широтная медиана) и NE (среднее значение ближайших сеток без выбросов). Затем была применена модель обобщённой регрессионной нейронной сети в сочетании со стратегией моделирования разделов с использованием алгоритма кластеризации K-средних для оценки выбросов CO₂ на основе аномалий XCO₂, суммарной первичной продуктивности и данных о населении. Результаты показывают, что метод NE либо превосходил метод LAT, либо был по крайней мере сопоставим с ним, в то время как метод CHN показал худшие результаты. Стратегия моделирования разделов и включение данных о населении эффективно улучшили оценки выбросов CO₂. В частности, увеличение числа разделов с 1 до 30 с использованием метода NE привело к снижению значений средней абсолютной ошибки с 0,254 до 0,122 гС/м²/день, в то время как включение данных о населении привело к снижению значений средней абсолютной ошибки между 0,036 и 0,269 гС/м²/день для различных разделов. Настоящие методы и результаты предлагают критически важные идеи для поддержки разработки государственной политики и установления целевых показателей.

Ссылка: https://www.mdpi.com/2073-4433/16/6/631

Главными темами номера являются:

• В столице Бразилии 9 мая прошло– В столице Бразилии 9 мая прошломинистерское заседание стран БРИКС, посвящённое борьбе со стихийными бедствиями
• Виртуальный саммит ООН высокого уровняВиртуальный саммит ООН высокого уровняпо вопросам климата

Также в выпуске:

• • •  Национальная товарная биржа провела аукцион по продаже углеродных единиц
    •  Правительство Москвы утвердило отчёт за 2024 год об использовании средств от размещения зелёных облигаций
    •  Первые климатические проекты в строительной сфере зарегистрированы в России
    •  Первые планы по адаптации регионов к климатическим изменениям будут обновлены в первом квартале 2025 года
    •  Верифицирован климатический проект по закачке сточных вод в подземные пласты
    •  В публикации Климатического центра Росгидромета представлен анализ структуры климатического обслуживания на глобальном и национальном уровнях
    •  Арктика является не только жертвой, но и активным фактором изменения климата
    •  Новые публикации в российских и зарубежных научных изданиях
    •  Доклад ООН: климатический кризис угрожает потерей самобытности коренным народам Арктики
    •  (ВМО) выпустила Руководящие принципы по проверке гидрологических прогнозов на 2025 год
    •  Ежегодный обзор глобального климата за период с 2025 по 2029 годы Всемирной метеорологической организации
    •  Укрепление Программы ВОЗ-ВМО по климату и здоровью  

Деревья жизненно важны для нашей экосистемы. Согласно недавнему отчёту о глобальной оценке деревьев, представленному на Конференции ООН по биоразнообразию (COP16) 2024 года в Колумбии, более трети видов деревьев находятся под угрозой исчезновения, что является признаком серьёзной катастрофы вымирания деревьев, которую необходимо решать как можно скорее. Международный Союз Охраны Природы провел оценку почти 80% видов деревьев, и было установлено, что 38% видов деревьев сталкиваются с кризисом вымирания. Особое внимание следует уделить островным и эндемичным деревьям, которые находятся под угрозой исчезновения. На данный момент более 25% видов, включённых в Красный список Международного Союза Охраны Природы, — это деревья. Деревьев, находящихся под угрозой исчезновения, (почти вдвое) больше, чем птиц, млекопитающих, рептилий и земноводных вместе взятых. Однако деревьям в основном не уделяется должного внимания в усилиях по сохранению и финансированию. Деревья заслуживают большего внимания и наблюдения в заповедных зонах.

Ссылка: https://link.springer.com/article/10.1007/s13280-025-02190-0

Инвазивные чужеродные виды являются основным фактором глобальных изменений, влияющим на биоразнообразие, экосистемные услуги и средства к существованию людей. Для документирования этих воздействий авторы представляют Глобальный набор данных о воздействии инвазивных чужеродных видов (Global Impacts Dataset of Invasive Alien Species, GIDIAS), набор данных о положительном, отрицательном и нейтральном воздействии инвазивных чужеродных видов на природу, вклад природы в жизнь людей и хорошее качество жизни. Этот набор данных взят из тематического оценочного отчёта Межправительственной научно-политической платформы по биоразнообразию и экосистемным услугам (Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services, IPBES). Данные были собраны из опубликованных источников, включая серую литературу, в которой сообщалось о прямом наблюдении воздействия инвазивных чужеродных видов. Все записи о воздействии содержат до 52 полей контекстной информации и пытаются связать воздействия с глобальным стандартом «классификация воздействия на окружающую среду для чужеродных таксонов» (environmental impact classification for alien taxa, EICAT) и «классификация социально-экономического воздействия для чужеродных таксонов» (socio-economic impact classification for alien taxa, SEICAT). GIDIAS включает в себя более 22000 записей о воздействиях, вызванных 3353 инвазивными чужеродными видами (растения, позвоночные, беспозвоночные, микроорганизмы) со всех континентов и областей (наземные, пресноводные, морские), извлечённых из более чем 6700 источников. Авторы намерены сделать GIDIAS глобальным ресурсом для исследования и управления различными воздействиями инвазивных чужеродных видов по таксонам и регионам.

Ссылка: https://www.nature.com/articles/s41597-025-05184-5

Эффект городского острова тепла (urban heat island, UHI) существенно влияет на городскую среду и качество жизни, однако исследования, сравнивающие прибрежные и расположенные вдали от моря («внутренние») города, относительно недостаточны. В этом исследовании с использованием набора данных MYD11A2 анализируется пространственно-временная эволюция температуры поверхности земли (land surface temperature, LST) и индекс интенсивности поверхностного городского острова тепла (surface urban heat island intensity index, SUHIII) в Пекине (внутренняя часть) и Даляне (побережье) с 2003 по 2023 гг., изучаются движущие факторы с 2003 по 2018 гг. и предлагаются стратегии смягчения последствий для аналогичных городов. Основные выводы: (1) SUHIII в Пекине на 0,45°C выше, чем в Даляне в летние дни, в то время как SUHIII в Даляне на 0,24°C больше, чем в Пекине в зимние ночи, вероятно, из-за морского климата Даляня, который повышает ночные LST и усиливает зимний SUHIII. (2) Оба города демонстрируют схожие тенденции в LST и SUHIII, с колебаниями до 2010 года, ростом после 2011 года и пиком в 2023 году, при этом расширение зон островов тепла происходит в основном в пригородных районах. (3) С 2003 по 2018 гг. средняя годовая максимальная дневная температура является основным фактором, способствующим SUHIII, за ней следуют эвапотранспирация и плотность населения, а индекс улучшенной растительности EVI является основным смягчающим фактором. Осадки Пекина ослабляют SUHIII, в то время как осадки Даляня способствуют ему. Прибрежные города должны сосредоточиться на планировании водоёмов и водно-болотных угодий для смягчения последствий возникновения островов тепла, особенно в таких районах, как Далянь, на которые распространяются осадки.

Ссылка: https://www.mdpi.com/2072-4292/17/10/1793